1、人臉識別1:1比對 深圳奧朗德科技人臉識別系統通過人臉識別演算法實現上送兩張影象進行比對，根據不同渠道的識別率返回比對結果，並將比對通過的影象按照設定規則入庫儲存。

（1) 圖片支援聯網核查圖片、證件身份晶片、現場抓拍圖片。

（2) 能夠最大限度的提高識別率，智慧的解決畫素較低(如晶片圖)、逆光、側光、昏暗、帶眼鏡、一定角度側臉等不利條件。

2、人臉識別1:N比對 深圳奧朗德科技人臉識別系統通過上送客戶影象，在客戶特徵庫中識別出該將客戶身份，並返回該客戶的相關資訊，如客戶資訊號、姓名等。系統具有人臉識別 1：N功能，對外提供 1：N比對介面，可根據各系統傳送的照片提取特徵值，並跟庫中模板比對，返回相似度最高的N個人(返回人數可自定義)。

（1)支援現場拍攝客戶影響或短視訊，並從中提取人臉影響功能。

（2)支援根據影像從人臉資料庫中檢索出客戶資訊。

（3)根據檢索出的資訊，傳送到相應操作終端進行後續操作。

人臉識別系統目前分為兩類，一類是將採集的人像與系統預存資料進行比對來判斷是否為同一人。另一類是將採集的人像進行大資料篩選，來確定被採集人的身份。

兩種方式都是依靠採集特徵點，然後與資料庫資料進行比對，目前技術尚不完善，容錯率較高，識別準確率完全依靠數字演算法，每個公司的演算法不同，從而導致不同裝置的識別率不同。

人臉匹配與識別的方式，具體有以下兩種

1、人臉識別1:1比對 深圳奧朗德科技人臉識別系統通過人臉識別演算法實現上送兩張影象進行比對，根據不同渠道的識別率返回比對結果，並將比對通過的影象按照設定規則入庫儲存。

（1) 圖片支援聯網核查圖片、證件身份晶片、現場抓拍圖片。

（2) 能夠最大限度的提高識別率，智慧的解決畫素較低(如晶片圖)、逆光、側光、昏暗、帶眼鏡、一定角度側臉等不利條件。

2、人臉識別1:N比對 深圳奧朗德科技人臉識別系統通過上送客戶影象，在客戶特徵庫中識別出該將客戶身份，並返回該客戶的相關資訊，如客戶資訊號、姓名等。系統具有人臉識別 1：N功能，對外提供 1：N比對介面，可根據各系統傳送的照片提取特徵值，並跟庫中模板比對，返回相似度最高的N個人(返回人數可自定義)。

（1)支援現場拍攝客戶影響或短視訊，並從中提取人臉影響功能。

（2)支援根據影像從人臉資料庫中檢索出客戶資訊。

（3)根據檢索出的資訊，傳送到相應操作終端進行後續操作。

回答這個問題之前，我們需要先了解

人臉識別是什麼？

人臉識別問題巨集觀上分為兩類：1. 人臉驗證（又叫人臉比對）2. 人臉識別。

人臉驗證做的是 1 比 1 的比對，即判斷兩張圖片裡的人是否為同一人。最常見的應用場景便是人臉解鎖，終端裝置（如手機）只需將使用者事先註冊的照片與臨場採集的照片做對比，判斷是否為同一人，即可完成身份驗證。

人臉識別做的是 1 比 N 的比對，即判斷系統當前見到的人，為事先見過的眾多人中的哪一個。比如疑犯追蹤，小區門禁，會場簽到，以及新零售概念裡的客戶識別。這些應用場景的共同特點是：人臉識別系統都事先儲存了大量的不同人臉和身份資訊，系統執行時需要將見到的人臉與之前儲存的大量人臉做比對，找出匹配的人臉。

兩者在早期（2012年~2015年）是通過不同的演算法框架來實現的，想同時擁有人臉驗證和人臉識別系統，需要分開訓練兩個神經網路。而 2015 年 Google 的 FaceNet [1] 論文的發表改變了這一現狀，將兩者統一到一個框架裡。

人臉識別的的原理是什麼？

不同人臉由不同特徵組成。

理解這個思想，首先需要引入的的是“特徵”的概念。先看下面這個例子：

假設這 5 個特徵足夠形容一張人臉，那每張人臉都可表示為這 5 個特徵的組合：

（特徵1，特徵2，特徵3，特徵4，特徵5）

一位雙眼皮，挺鼻樑，藍眼睛，白面板，瓜子臉的歐美系小鮮肉即可用特徵表示為（見表格加粗項）：

（1,1,0,1,0）

那麼遍歷上面這張特徵表格一共可以代表 2^{5}=32 張不同的臉。32 張臉可遠遠不夠覆蓋 70 多億的人口。為了讓不同特徵組成的人臉能覆蓋足夠多人臉，我們需要擴充上面那張特徵表。擴張特徵表可以從行、列兩個角度展開。

列的角度很簡單，只需要增加特徵數量：（特徵6.臉型,特徵7.兩眼之間距離，特徵8.嘴脣厚薄…）實際應用中通常應用 128,256,512 或者 1024 個不同特徵，這麼多特徵從哪來，該不會人為一個一個去設計吧？這個問題在後面會解答。

從行的角度擴充也很好理解，比如“特徵3”，除了值 0 代表藍色，值 1 代表灰色，是不是可以增加一個值 2 代表黑色，值 3 代表沒有頭髮呢？此外，除了這些離散的整數，我們也可以取連續的小數，比如特徵 3 的值 0.1，代表“藍中略微帶黑”，值 0.9 代表“灰中帶藍”……

經過這樣的擴充，特徵空間便會變得無限大。擴充後特徵空間裡的一張臉可能表示為：

（0, 1, 0.3, 0.5, 0.1, 2, 2.3, 1.75,…）

之前提出的問題：用於表示人臉的大量特徵從哪來？這便是深度學習（深度神經網路）發揮作用的地方。它通過在千萬甚至億級別的人臉資料庫上學習訓練後，會自動總結出最適合於計算機理解和區分的人臉特徵。演算法工程師通常需要一定的視覺化手段才能知道機器到底學習到了哪些利於區分不同人的特徵，當然這部分不是本節重點。

闡明瞭不同人臉由不同特徵組成後，我們便有了足夠的知識來分析人臉識別，到底怎麼識別。現在考慮最簡單最理想的情況，用於區分不同人的特徵只有兩個：特徵1和特徵2。那麼每一張臉都可以表示為一個座標（特徵1，特徵2），即特徵空間（這個例子裡是二維空間）內的一個點。

人臉識別基於一個預設成立的假設：同一個人在不同照片裡的臉，在特徵空間裡非常接近。

為什麼這個假設預設成立，設想一下，一個棕色頭髮的人，在不同光照，遮擋，角度條件下，髮色看起來雖然有輕微的區別，但依然與真實顏色非常接近，反應在髮色的特徵值上，可能是 0 到 0.1 之間的浮動。深度學習的另一任務和挑戰便是在各種極端複雜的環境條件下，精確的識別各個特徵。

圖片是在日本熊本做大規模人臉資料集去噪演講時用的 PPT，三張山下智久的照片經過神經網路提取出 128 維的特徵後，變成了 3 個在 128 維空間中的點（紅色），石原里美的特徵點為綠色。這張 PPT 想表達同樣的意思：同一人的不通照片提取出的特徵，在特徵空間裡距離很近，不同人的臉在特徵空間裡相距較遠。

再來考慮人臉識別領域的兩個問題：人臉驗證和人臉識別。

人臉驗證

比如 FaceID 人臉解鎖，iPhone 事先存了一張使用者的照片（需要使用者註冊），這張照片變成了轉換成了一連串特徵數值（即特徵空間裡的一個點），使用者解鎖時，手機只需要對比當前採集到的臉和事先註冊的臉在特徵空間裡的幾何距離，如果距離足夠近，則判斷為同一人，如果距離不夠近，則解鎖失敗。距離閾值的設定，則是演算法工程師通過大量實驗得到的。

人臉識別

同樣考慮一個場景，人臉考勤。公司 X 有員工 A,B,C，公司會要求三名員工在入職的時候各提供一張個人照片用於註冊在公司系統裡，靜靜地躺在特徵空間中。

第二天早上員工 A 上班打卡時，將臉對準考勤機器，系統會把當前員工 A 的臉放到特徵空間裡，與之前特徵空間裡註冊好的臉一一對比，發現註冊的臉中距離當前採集到的臉最近的特徵臉是員工 A，打卡完畢。

知道了人臉識別的基本原理，便能看清它的技術侷限。圖片展示了一些容易識別失敗的案例：

在光照較差，遮擋，形變（大笑），側臉等諸多條件下，神經網路很難提取出與“標準臉”相似的特徵，異常臉在特徵空間裡落到錯誤的位置，導致識別和驗證失敗。這是現代人臉識別系統的侷限，一定程度上也是深度學習（深度神經網路）的侷限。

面對這種侷限，通常採取三種應對措施，使人臉識別系統能正常運作：

1. 工程角度：研發質量模型，對檢測到人臉質量進行評價，質量較差則不識別/檢驗。

2. 應用角度：施加場景限制，比如刷臉解鎖，人臉閘機，會場簽到時，都要求使用者在良好的光照條件下正對攝像頭，以避免採集到質量差的圖片。

3. 演算法角度：提升人臉識別模型效能，在訓練資料裡新增更多複雜場景和質量的照片，以增強模型的抗干擾能力。

總而言之，人臉識別/深度學習還遠未達到人們想象的那般智慧。希望各位讀者看完第一節後，有能力分辨社交網路，自媒體上的資訊真偽，更理性的看待人工智慧，給它時間和包容，慢慢成長。

大概04年左右，工作原因接觸過人像識別系統，那時候主要是給技偵和交警部門提供技術支援，首先要有一個龐大的資料庫支援才行的，所有普通人就不要考慮了，當時的技術能夠達到90%的準確率就相當不錯了，當時交警用於識別一些面目全非的交通事故，燒燙傷等等甚至一些五官都缺失了，不完整臉同樣能夠識別身份，而且準確率都在70%以上，技偵用於識別無名屍，碎屍和被毀容的，還有隻能夠分辨出大概的五官位置的，或者只要能夠通過技術手段，將散落的拼湊出部分五官都能夠識別，那些希望通過什麼口罩，墨鏡的，就更別想逃過法眼了，所以，一定要遵守法律。

人臉識別是採用AI技術，通過活體檢測同時在臉部投射3萬個點（也就是面部結構）後與系統資料進行比對，失誤率是百萬分之一！即使四胞胎都可以完美識別，所以安全性較高

人臉識別一般都是用攝像頭，或者物體輪廓感應器，或者點陣器，雷達，來偵測物體，然後在跟資料庫的資料進行對比，假如對比一樣就會識別成功。

人臉識別是基於人的臉部特徵資訊進行身份識別的一種生物識別技術。

解釋起來就是：每個人的面孔都由額頭、眉毛、眼睛、鼻子、嘴巴、雙頰等部位組合而成，它們之間的大致位置關係也是固定的。人臉具有唯一性，這個世界上找不出兩張完全相同的人臉，人們通常能夠根據不同面孔之間的細微差異將不同人區分開來。

簡單的來講，人臉識別，是基於人的臉部特徵資訊進行身份識別的一種生物識別技術。用攝像機或攝像頭採集含有人臉的影象或視訊流，並自動在影象中檢測和跟蹤人臉，進而對檢測到的人臉進行臉部識別的一系列相關技術，通常也叫做人像識別、面部識別。

有很多開源演算法可以實現，一般根據人臉特徵去找，比如眼睛，眼球，鼻子，嘴巴，以及它們的位置比例和臉部輪廓等去識別。